在R中使用HMM包
我在理解如何使用HMM包中的baumWelch方法时遇到了问题。
根据documentation，我们首先必须初始化我们的隐马尔可夫模型
hmm = initHMM(c("A","B"), c("L","R"), transProbs=matrix(c(.8,.2,.2,.8),2),
emissionProbs=matrix(c(.6,.4,.4,.6),2)这意味着状态被命名为"A“，"B”排放被命名为"L“和"R”，我们也有传输和发射概率。
到目前为止一切都很好，但是现在教程创建了观察值列表：
observations = sample(c("L","R"),prob=c(.8,.2),size=100,replace=TRUE)这是作为观察值列表的一维向量。根据Rabiner的经典论文中的描述，向前和向后概率是在一系列观测数据上计算的，例如上面代码中的变量observations。也就是说，我们需要一个这样的observations矩阵，以便甚至远程训练任何东西。在这里我该怎么做呢？
编辑：
在上面的例子中，排放是"L“和"R”。应该用这些排放创建一个观察序列O。例如O= LRRRLLLRR等假设长度为t
在前向算法中使用这种类型的观测，给定一个完整的马尔可夫模型，并且观测序列O将产生一个维数为n×t的矩阵，其中n是我们的HMM中的状态数。这种矩阵的i_j个_th元素被解释为“在时间j，已经产生了观测序列的前j个元素并且处于状态i”。
现在，在Baum-Welch训练算法中使用了前向和后向以及其他几种算法。
我认为，Baum-Welch的输入应该是观测序列的列表，而不是排放的列表。在我的版本中，矩阵输入的维数应该是t乘以m，其中t是观测序列的长度，m是这样的序列的数量。
我如何理解这里的输入？是不是我们有一百个长度为1的观测序列？如何向HMM中的baumWelch方法提供这样的矩阵
回答 2
Stack Overflow用户
发布于 2017-06-28 09:25:16
据我所知，HMM包中的baumWelch函数只接受一个观察序列作为它的辅助参数。如果您的训练数据包含多个序列，您可以尝试使用aphid包，它支持使用多序列列表进行Baum Welch和Viterbi模型训练。免责声明:我写了这个包，部分原因是我遇到了同样的问题。
Stack Overflow用户
发布于 2017-06-27 04:31:33
虽然我之前问过这个问题，但当我对同样的事情感到困惑时，我发现了这个问题。
引用An Intoduction to Hidden Markov Models and Bayesian Networks第7页中的Ghahramani：
“如果观察向量包括贝叶斯网络中的所有变量，则对数似然函数中的每个项都会进一步因数为...”see equation here
本质上，根据我的理解，因为网络中的每个节点只依赖于它的父节点，所以你不需要将训练向量分离到一个矩阵中，而是可以使用一个完整的训练向量。我想唯一的问题是在一个新的训练向量的开始，但你可以通过创建一个特殊的开始状态"*“来克服这个问题，它总是新序列中的第一个状态。
https://stackoverflow.com/questions/43809239
复制相似问题
腾讯云开发者
